#python #http #scrapy #http-status-code-429
Вопрос:
Я написал свой первый поисковый робот, пытаясь получить информацию из пользовательского списка наблюдения на coinmarketcap.com.
- очистите все 255 активов в списке наблюдения
- очистите все 255 активов и извлеките информацию: название, рыночная капитализация, объем, список наблюдения
Дело в том, что я не способен получить все 255 активов, в лучшем случае только 200 из них из-за статуса HTTP 429.
Я использовал следующие меры в settings.py:
PROXY_POOL_ENABLED = True
DOWNLOADER_MIDDLEWARES = {
# ...
'scrapy_proxy_pool.middlewares.ProxyPoolMiddleware': 610,
'scrapy_proxy_pool.middlewares.BanDetectionMiddleware': 620,
# ...
}
AUTOTHROTTLE_ENABLED = True
Кто-нибудь может мне помочь? Очень признателен!
import scrapy
import pandas as pd
from scrapy.crawler import CrawlerProcess
process = CrawlerProcess()
names = []
marketcap = []
volume = []
watchlists = []
target_url = "https://coinmarketcap.com/watchlist/614c5fd5c76244179e4f5e75/"
class CryptoCrawler(scrapy.Spider):
name = 'cryptocrawler'
def start_requests( self ):
yield scrapy.Request(url = target_url, callback = self.parse_front)
def parse_front(self, response):
slugs = response.css('tr > td:nth-of-type(3) a::attr(href)').extract()
newSearch = ['https://coinmarketcap.com' i for i in slugs]
for url in newSearch:
yield response.follow(url = url, callback = self.parse_pages)
def parse_pages(self, response):
names.append(response.css('h2.sc-1q9q90x-0::text').extract_first())
marketcap.append(response.css('div.statsValue::text').extract_first())
volume.append(response.xpath('//tr[4]/td/span/text()').extract())
watchlists.append(response.xpath('//div[@class="namePill"]/text()').extract()[1])`
process.crawl(CryptoCrawler)
process.start()
Вот результат:
2021-10-17 12:33:33 [scrapy.core.engine] INFO: Closing spider (finished)
2021-10-17 12:33:33 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/exception_count': 43,
'downloader/exception_type_count/twisted.internet.error.TCPTimedOutError': 43,
'downloader/request_bytes': 153962,
'downloader/request_count': 550,
'downloader/request_method_count/GET': 550,
'downloader/response_bytes': 13995423,
'downloader/response_count': 507,
'downloader/response_status_count/200': 201,
'downloader/response_status_count/301': 1,
'downloader/response_status_count/302': 1,
'downloader/response_status_count/429': 304,
'elapsed_time_seconds': 177.913973,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2021, 10, 17, 10, 33, 33, 906232),
'httperror/response_ignored_count': 28,
'httperror/response_ignored_status_count/429': 28,
'log_count/DEBUG': 523,
'log_count/ERROR': 82,
'log_count/INFO': 40,
'request_depth_max': 1,
'response_received_count': 229,
'retry/count': 292,
'retry/max_reached': 55,
'retry/reason_count/429 Unknown Status': 276,
'retry/reason_count/twisted.internet.error.TCPTimedOutError': 16,
'scheduler/dequeued': 550,
'scheduler/dequeued/memory': 550,
'scheduler/enqueued': 550,
'scheduler/enqueued/memory': 550,
'start_time': datetime.datetime(2021, 10, 17, 10, 30, 35, 992259)}
2021-10-17 12:33:33 [scrapy.core.engine] INFO: Spider closed (finished)
Ответ №1:
Всякий раз, когда вы запускаете spider из сценария с помощью CrawlerProcess, вам необходимо явно передать объект настроек, как показано ниже. Если вы этого не сделаете, искатель проигнорирует значения в settings.py
файле.
process = CrawlerProcess(settings={
'PROXY_POOL_ENABLED': True,
'DOWNLOADER_MIDDLEWARES': {
# ...
'scrapy_proxy_pool.middlewares.ProxyPoolMiddleware': 610,
'scrapy_proxy_pool.middlewares.BanDetectionMiddleware': 620,
},
'AUTOTHROTTLE_ENABLED': True, })
process.crawl(CryptoCrawler)
process.start()
Функция удобства существует при работе в проекте и помогает импортировать настройки, определенные в settings.py
файле. Добавьте импорт from scrapy.utils.project import get_project_settings
и определите процесс обхода как process = CrawlerProcess(get_project_settings())
Смотрите документы scrapy для получения дополнительной информации об использовании CrawlerProcess